结合物理信息神经网络补偿的超螺旋滑模观测器，用于电动汽车应用的超低速无传感器永磁同步电机驱动（2026 年 6 月）

《IEEE Access》：Super-Twisting Sliding Mode Observer with Physics informed Neural Network Compensation for Ultra Low Speed Sensor less PMSM Drives for Electric Vehicle Applications. (June 2026)

　　

摘要：

永磁同步电机（PMSM）驱动的超低速无传感器控制仍是一个具有挑战性的问题，原因在于反电动势信号微弱、参数不确定性、逆变器非线性以及外部扰动。传统的滑模观测器（SMO）具有较强的鲁棒性；然而，在低速运行条件下，它们存在严重的抖振现象和估计性能下降的问题。为了克服这些局限，本文提出了一种将超螺旋滑模观测器（ST-SMO）与物理信息神经网络（PINN）补偿器相结合的超低速无传感器PMSM驱动方案。所提出的ST-SMO采用二阶滑模算法来减小抖振，同时保持快速收敛性和抗扰鲁棒性。此外，一个基于PINN的补偿器被纳入观测器框架中，以补偿非线性估计误差和参数变化。与仅依赖数据驱动学习的传统神经网络不同，PINN将PMSM的基本控制方程直接嵌入到训练过程中。通过在网络中嵌入物理知识，该模型产生的估计结果与电机动力学保持一致，同时在不同的运行条件下表现出更好的泛化能力。所提出的混合观测器结合了超螺旋滑模观测器的鲁棒性和PINN的学习能力，以增强转子位置和速度的估计，特别是在传统方法往往面临性能局限的超低速区域。仿真结果表明，与传统的SMO、ST-SMO和扩展卡尔曼滤波器（EKF）相比，所提出的方法实现了更低的稳态估计误差、更快的动态响应、更强的抗扰能力和更平滑的估计特性。此外，所提出的ST-SMO-PINN框架在计算上是可行的，适用于实时电动汽车应用，因为……

展开更多